预算约束下参与联邦学习的候选IoT客户端在线选择
机器学习
2020-11-20 v1 分布式、并行与集群计算
摘要
机器学习（ML），尤其是深度学习（DL），在为工业提供智能服务方面发挥着至关重要的作用。然而这些技术存在隐私与安全问题，因为数据从客户端收集后在中心位置存储和处理。联邦学习（FL）作为一种以模型参数而非客户端数据进行交换的架构，被提出作为这些问题的解决方案。但FL通过通信轮次与客户端通信来训练全局模型，这增加了网络流量并延长了达到目标精度的收敛时间。本工作中，我们解决在预算候选客户端数量下优化有状态FL精度的问题，通过选择测试精度最优的候选客户端参与训练过程。接着，我们提出一种在线有状态FL启发式方法以寻找最佳候选客户端。此外，我们提出一种IoT客户端告警应用，利用所提启发式基于IoT设备类型分类训练有状态FL全局模型，以警示客户端其环境中的未授权IoT设备。为测试所提在线启发式的效率，我们使用真实数据集进行若干实验，并将结果与最先进算法比较。结果表明所提启发式在精度上比在线随机算法高出至多27%，且其性能可与最佳离线算法相媲美。
引用
@article{arxiv.2011.09849,
title = {Budgeted Online Selection of Candidate IoT Clients to Participate in Federated Learning},
author = {Ihab Mohammed and Shadha Tabatabai and Ala Al-Fuqaha and Faissal El Bouanani and Junaid Qadir and Basheer Qolomany and Mohsen Guizani},
journal= {arXiv preprint arXiv:2011.09849},
year = {2020}
}